本發(fā)明涉及視頻監(jiān)控技術(shù)領(lǐng)域，具體涉及一種駕駛員行為識(shí)別方法及終端。

背景技術(shù)：

隨著交通運(yùn)輸業(yè)的快速發(fā)展，人們的出行日益便捷，但與此同時(shí)，也伴隨著頻繁發(fā)隨著現(xiàn)代交通車(chē)輛的大幅度增加，道路事故不斷攀升。而發(fā)生的事故當(dāng)中絕大多數(shù)是由于駕駛員的不安全駕駛行為所導(dǎo)致的，如不系帶安全帶，開(kāi)車(chē)打電話等。駕駛員如果能規(guī)范自己的駕駛行為可以大大降低事故的發(fā)生率以及事故的傷亡率，另外，汽車(chē)遮陽(yáng)板遮擋住了駕駛員的臉部信息阻礙了交警和警察的正常執(zhí)勤，因此，對(duì)駕駛員屬性識(shí)別研究具有十分重大的意義。

對(duì)于駕駛員屬性識(shí)別傳統(tǒng)的方法包括特征提取和分類器判別這兩個(gè)步驟。特征提取主要有HAAR特征、HOG特征、LBP特征以及SHIFT等方法。這些方法都有這自己特定使用場(chǎng)景。而在現(xiàn)實(shí)的場(chǎng)景當(dāng)中，駕駛員打電話以及安全帶等特征有時(shí)候不是特別明顯，并且駕駛員的姿態(tài)也是千變?nèi)f化的，同時(shí)，識(shí)別還受到光照等自然環(huán)境的影響，現(xiàn)有的一些特征提取方法不能很好的處理這些問(wèn)題。傳統(tǒng)的分類器包括SVM分類器以及Cascade級(jí)聯(lián)分類器等，在駕駛員屬性識(shí)別中，場(chǎng)景通常非常復(fù)雜和多變，存在很大的差異，傳統(tǒng)的分類器很難達(dá)到非常高的分類正確率，因此，在復(fù)雜環(huán)境下，識(shí)別準(zhǔn)確率較低。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例提供了一種駕駛員行為識(shí)別方法及終端，以期提高駕駛員行為識(shí)別的正確率。

本發(fā)明實(shí)施例第一方面提供了一種駕駛員行為識(shí)別方法，包括：

獲取待處理圖像；

利用目標(biāo)分類器對(duì)所述待處理圖像進(jìn)行訓(xùn)練，得到所述待處理圖像中的駕駛員區(qū)域；

采用指定神經(jīng)網(wǎng)絡(luò)模型對(duì)所述駕駛員區(qū)域進(jìn)行識(shí)別，得到目標(biāo)行為。

可選地，所述指定神經(jīng)網(wǎng)絡(luò)模型包含N個(gè)行為屬性的層級(jí)結(jié)構(gòu)，每一個(gè)屬性均包含三個(gè)卷積層，每一個(gè)卷積層都包括卷積操作、歸一化操作、線性修正激活函數(shù)和池化操作，所述N為正整數(shù)。

可選地，所述采用指定神經(jīng)網(wǎng)絡(luò)模型對(duì)所述駕駛員區(qū)域進(jìn)行識(shí)別，得到目標(biāo)行為，包括：

采用所述指定神經(jīng)網(wǎng)絡(luò)模型對(duì)所述駕駛員區(qū)域進(jìn)行識(shí)別，得到所述N個(gè)得分；

分別將所述N個(gè)得分中每一得分與第一預(yù)設(shè)閾值進(jìn)行比較，得到M個(gè)得分，所述M個(gè)得分均大于所述第一預(yù)設(shè)閾值，所述M為小于或等于所述N的整數(shù)；

將所述M個(gè)得分中的最高得分對(duì)應(yīng)的行為屬性確定為所述目標(biāo)行為。

可選地，所述采用指定神經(jīng)網(wǎng)絡(luò)模型對(duì)所述駕駛員區(qū)域進(jìn)行識(shí)別，得到目標(biāo)行為，包括：

采用所述指定神經(jīng)網(wǎng)絡(luò)模型對(duì)所述駕駛員區(qū)域進(jìn)行識(shí)別，得到所述N個(gè)得分；

確定出所述N個(gè)得分中的最高得分；

在所述最高得分大于第二預(yù)設(shè)閾值時(shí)，將所述最高得分對(duì)應(yīng)的行為屬性確定為所述目標(biāo)行為。

可選地，所述獲取待處理圖像之前，所述方法還包括：

獲取正樣本集和負(fù)樣本集；

采用HOG特征對(duì)所述正樣本集和所述負(fù)樣本集進(jìn)行表征，得到多個(gè)特征向量；

利用所述多個(gè)特征向量構(gòu)造弱分類器；

利用級(jí)聯(lián)的Adaboost算法對(duì)所述弱分類器進(jìn)行訓(xùn)練，得到所述目標(biāo)分類器。

本發(fā)明實(shí)施例第二方面提供了一種終端，包括：

第一獲取單元，用于獲取待處理圖像；

第一訓(xùn)練單元，用于利用目標(biāo)分類器對(duì)所述待處理圖像進(jìn)行訓(xùn)練，得到所述待處理圖像中的駕駛員區(qū)域；

識(shí)別單元，用于采用指定神經(jīng)網(wǎng)絡(luò)模型對(duì)所述駕駛員區(qū)域進(jìn)行識(shí)別，得到目標(biāo)行為。

可選地，所述指定神經(jīng)網(wǎng)絡(luò)模型包含N個(gè)行為屬性的層級(jí)結(jié)構(gòu)，每一個(gè)屬性均包含三個(gè)卷積層，每一個(gè)卷積層都包括卷積操作、歸一化操作、線性修正激活函數(shù)和池化操作，所述N為正整數(shù)。

可選地，所述識(shí)別單元包括：

第一識(shí)別模塊，用于采用所述指定神經(jīng)網(wǎng)絡(luò)模型對(duì)所述駕駛員區(qū)域進(jìn)行識(shí)別，得到所述N個(gè)得分；

比較模塊，用于分別將所述N個(gè)得分中每一得分與第一預(yù)設(shè)閾值進(jìn)行比較，得到M個(gè)得分，所述M個(gè)得分均大于所述第一預(yù)設(shè)閾值，所述M為小于或等于所述N的整數(shù)；

第一確定模塊，用于將所述M個(gè)得分中的最高得分對(duì)應(yīng)的行為屬性確定為所述目標(biāo)行為。

可選地，所述識(shí)別單元包括：

第二識(shí)別模塊，用于采用所述指定神經(jīng)網(wǎng)絡(luò)模型對(duì)所述駕駛員區(qū)域進(jìn)行識(shí)別，得到所述N個(gè)得分；

第二確定模塊，用于確定出所述N個(gè)得分中的最高得分；

所述第二確定單元，還具體用于：

在所述最高得分大于第二預(yù)設(shè)閾值時(shí)，將所述最高得分對(duì)應(yīng)的行為屬性確定為所述目標(biāo)行為。

可選地，所述終端還包括：

第二獲取單元，用于在所述第一獲取單元獲取待處理圖像之前，獲取正樣本集和負(fù)樣本集；

表征單元，用于采用HOG特征對(duì)所述正樣本集和所述負(fù)樣本集進(jìn)行表征，得到多個(gè)特征向量；

構(gòu)造單元，用于利用所述多個(gè)特征向量構(gòu)造弱分類器；

第二訓(xùn)練單元，用于利用級(jí)聯(lián)的Adaboost算法對(duì)所述弱分類器進(jìn)行訓(xùn)練，得到所述目標(biāo)分類器。

實(shí)施本發(fā)明實(shí)施例，具有如下有益效果：

通過(guò)本發(fā)明實(shí)施例，獲取待處理圖像，利用目標(biāo)分類器對(duì)待處理圖像進(jìn)行訓(xùn)練，得到待處理圖像中的駕駛員區(qū)域，采用指定神經(jīng)網(wǎng)絡(luò)模型對(duì)駕駛員區(qū)域進(jìn)行識(shí)別，得到目標(biāo)行為，如此，可提高駕駛員行為識(shí)別的正確率。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例中的技術(shù)方案，下面將對(duì)實(shí)施例描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明實(shí)施例提供的一種駕駛員行為識(shí)別方法的第一實(shí)施例流程示意圖；

圖2是本發(fā)明實(shí)施例提供的一種駕駛員行為識(shí)別方法的第二實(shí)施例流程示意圖；

圖3a是本發(fā)明實(shí)施例提供的一種終端的第一實(shí)施例結(jié)構(gòu)示意圖；

圖3b是本發(fā)明實(shí)施例提供的圖3a所描述的終端的識(shí)別單元的結(jié)構(gòu)示意圖；

圖3c是本發(fā)明實(shí)施例提供的圖3a所描述的終端的識(shí)別單元的又一結(jié)構(gòu)示意圖；

圖3d是本發(fā)明實(shí)施例提供的圖3a所描述的終端的又一結(jié)構(gòu)示意圖；

圖4是本發(fā)明實(shí)施例提供的一種終端的第二實(shí)施例結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

本發(fā)明的說(shuō)明書(shū)和權(quán)利要求書(shū)及所述附圖中的術(shù)語(yǔ)“第一”、“第二”、“第三”和“第四”等是用于區(qū)別不同對(duì)象，而不是用于描述特定順序。此外，術(shù)語(yǔ)“包括”和“具有”以及它們?nèi)魏巫冃?，意圖在于覆蓋不排他的包含。例如包含了一系列步驟或單元的過(guò)程、方法、系統(tǒng)、產(chǎn)品或設(shè)備沒(méi)有限定于已列出的步驟或單元，而是可選地還包括沒(méi)有列出的步驟或單元，或可選地還包括對(duì)于這些過(guò)程、方法、產(chǎn)品或設(shè)備固有的其它步驟或單元。

在本文中提及“實(shí)施例”意味著，結(jié)合實(shí)施例描述的特定特征、結(jié)構(gòu)或特性可以包含在本發(fā)明的至少一個(gè)實(shí)施例中。在說(shuō)明書(shū)中的各個(gè)位置展示該短語(yǔ)并不一定均是指相同的實(shí)施例，也不是與其它實(shí)施例互斥的獨(dú)立的或備選的實(shí)施例。本領(lǐng)域技術(shù)人員顯式地和隱式地理解的是，本文所描述的實(shí)施例可以與其它實(shí)施例相結(jié)合。

本發(fā)明實(shí)施例所描述終端可以包括智能手機(jī)(如Android手機(jī)、iOS手機(jī)、Windows Phone手機(jī)等)、平板電腦、掌上電腦、筆記本電腦、移動(dòng)互聯(lián)網(wǎng)設(shè)備(MID，Mobile Internet Devices)或穿戴式設(shè)備等，上述僅是舉例，而非窮舉，包含但不限于上述終端。

深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)研究中的一個(gè)新領(lǐng)域，這兩年在圖像識(shí)別、語(yǔ)音識(shí)別以及自然語(yǔ)言處理方面取得了巨大的成功。深度學(xué)習(xí)是通過(guò)構(gòu)建多層神經(jīng)網(wǎng)絡(luò)模型來(lái)訓(xùn)練數(shù)據(jù)，可以學(xué)習(xí)出有用的特征，通過(guò)對(duì)大量樣本學(xué)習(xí)可以得到很高的識(shí)別正確率。但是在同時(shí)需要識(shí)別多個(gè)屬性時(shí)，已有的深度學(xué)習(xí)方法往往是通過(guò)將各個(gè)屬性獨(dú)立出來(lái)，為每一個(gè)屬性訓(xùn)練一個(gè)模型，這無(wú)疑大大增加了復(fù)雜度。因此，如何將各個(gè)屬性聯(lián)系起來(lái)，通過(guò)設(shè)計(jì)一個(gè)模型即可對(duì)多個(gè)屬性進(jìn)行識(shí)別成為當(dāng)下繼續(xù)解決的問(wèn)題。

其中，駕駛員行為可包括但不僅限于：駕駛員有無(wú)打電話、駕駛員有沒(méi)有系安全帶、有沒(méi)遮陽(yáng)板擋住駕駛員和駕駛員是否處于疲勞駕駛狀態(tài)等等

請(qǐng)參閱圖1，為本發(fā)明實(shí)施例提供的一種駕駛員行為識(shí)別方法的第一實(shí)施例流程示意圖。本實(shí)施例中所描述的駕駛員行為識(shí)別方法，包括以下步驟：

101、獲取待處理圖像。

待處理圖像可為包含用戶駕駛時(shí)候的圖像，或者，由交通攝像頭拍攝到的視頻中的一幀。

102、利用目標(biāo)分類器對(duì)所述待處理圖像進(jìn)行訓(xùn)練，得到所述待處理圖像中的駕駛員區(qū)域。

可選地，輸入待處理圖像，利用Adaboost算法和HOG特征對(duì)駕駛員區(qū)域進(jìn)行定位，可得到駕駛員區(qū)域。

103、采用指定神經(jīng)網(wǎng)絡(luò)模型對(duì)所述駕駛員區(qū)域進(jìn)行識(shí)別，得到目標(biāo)行為。

其中，上述指定神經(jīng)網(wǎng)絡(luò)模型可為多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)。

可選地，指定神經(jīng)網(wǎng)絡(luò)模型包含N個(gè)行為屬性的層級(jí)結(jié)構(gòu)，每一個(gè)屬性均包含三個(gè)卷積層，每一個(gè)卷積層都包括卷積操作、歸一化操作、線性修正激活函數(shù)和池化操作，所述N為正整數(shù)。

具體地，本發(fā)明實(shí)施例中的指定神經(jīng)網(wǎng)絡(luò)模型可設(shè)計(jì)為神經(jīng)網(wǎng)絡(luò)三個(gè)屬性共享前兩層卷積層，用來(lái)學(xué)習(xí)通用的特征，接下來(lái)需要分別設(shè)計(jì)三個(gè)屬性的層級(jí)結(jié)構(gòu)，每一個(gè)屬性接下來(lái)都有三個(gè)卷積層。每一個(gè)卷積層都包括卷積操作、歸一化(Batch Normalization，BN)操作、線性修正激活函數(shù)ReLU以及池化操作。每一個(gè)神經(jīng)元的輸入與前一層的局部感知域相連，并提取特征。輸出層的神經(jīng)元個(gè)數(shù)與目標(biāo)類別的數(shù)量保持一致。

其中，上述卷積過(guò)程的形式可為：

其中，式中：f(.)是激活函數(shù)；是第l層的第j個(gè)神經(jīng)元向量；代表前一層的神經(jīng)元向量；k是卷積核；b是偏置

歸一化層的表示形式為：

式中，x^(k)代表第k維的輸入。

上述池化操作的表示形式為：

式中：g(.)是池化層的激活函數(shù)；pool(.)是池化函數(shù)，α是權(quán)值，b是偏置。

在得到指定神經(jīng)網(wǎng)絡(luò)模型的過(guò)程中，可將訓(xùn)練樣本歸一化到相同的大小并分好類別然后進(jìn)行訓(xùn)練。訓(xùn)練分兩個(gè)階段：前向傳播階段和誤差后向反饋階段。通過(guò)最小化損失函數(shù)來(lái)不斷調(diào)整網(wǎng)絡(luò)參數(shù)。如果達(dá)到預(yù)設(shè)的訓(xùn)練次數(shù)，則保存此次訓(xùn)練所得到的指定神經(jīng)網(wǎng)絡(luò)模型。

其中，對(duì)于駕駛員區(qū)域，以三種駕駛員行為為例加以說(shuō)明：識(shí)別駕駛員有無(wú)打電話、有沒(méi)有系安全帶以及有沒(méi)有遮陽(yáng)板這三種狀態(tài)。設(shè)計(jì)一個(gè)多任務(wù)的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，三個(gè)屬性共享較低的兩層，較高的層別需要分別單獨(dú)設(shè)計(jì)。利用設(shè)計(jì)好的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最終得到一個(gè)模型。在輸入待處理圖像之后，可利用Adaboost算法和HOG特征對(duì)駕駛員區(qū)域進(jìn)行定位。利用指定神經(jīng)網(wǎng)絡(luò)模型可對(duì)輸入的待處理圖像的駕駛員區(qū)域進(jìn)行識(shí)別。

可選地，上述步驟103中，采用指定神經(jīng)網(wǎng)絡(luò)模型對(duì)所述駕駛員區(qū)域進(jìn)行識(shí)別，得到目標(biāo)行為，可包括如下步驟：

31)、采用所述指定神經(jīng)網(wǎng)絡(luò)模型對(duì)所述駕駛員區(qū)域進(jìn)行識(shí)別，得到所述N個(gè)得分；

32)、分別將所述N個(gè)得分中每一得分與第一預(yù)設(shè)閾值進(jìn)行比較，得到M個(gè)得分，所述M個(gè)得分均大于所述第一預(yù)設(shè)閾值，所述M為小于或等于所述N的整數(shù)；

33)、將所述M個(gè)得分中的最高得分對(duì)應(yīng)的行為屬性確定為所述目標(biāo)行為。

其中，上述第一預(yù)設(shè)閾值由系統(tǒng)默認(rèn)，或者，用戶自行設(shè)置。在采用指定神經(jīng)網(wǎng)絡(luò)模型對(duì)駕駛員區(qū)域進(jìn)行識(shí)別，可得到N個(gè)得分，N為大于1的整數(shù)，分別將N個(gè)得分中每一得分與第一預(yù)設(shè)閾值進(jìn)行比較，得到M個(gè)得分，該M個(gè)得分均大于第一預(yù)設(shè)閾值，M為小于或等于M的整數(shù)，將M個(gè)得分中的最高得分對(duì)應(yīng)的行為屬性確定為目標(biāo)行為。在得到第一預(yù)設(shè)閾值時(shí)，可任務(wù)識(shí)別失敗。

可選地，上述步驟103中，采用指定神經(jīng)網(wǎng)絡(luò)模型對(duì)所述駕駛員區(qū)域進(jìn)行識(shí)別，得到目標(biāo)行為，可包括如下步驟：

34)、采用所述指定神經(jīng)網(wǎng)絡(luò)模型對(duì)所述駕駛員區(qū)域進(jìn)行識(shí)別，得到所述N個(gè)得分；

35)、確定出所述N個(gè)得分中的最高得分；

36)、在所述最高得分大于第二預(yù)設(shè)閾值時(shí)，將所述最高得分對(duì)應(yīng)的行為屬性確定為所述目標(biāo)行為。

其中，上述第二預(yù)設(shè)閾值由系統(tǒng)默認(rèn)，或者，用戶自行設(shè)置?？刹捎弥付ㄉ窠?jīng)網(wǎng)絡(luò)模型對(duì)駕駛員區(qū)域進(jìn)行識(shí)別，得到N個(gè)得分，確定出N個(gè)得分中的最高得分，在最高得分大于第二預(yù)設(shè)閾值時(shí)，將最高得分對(duì)應(yīng)的行為屬性確定為所述目標(biāo)行為。在得到第二預(yù)設(shè)閾值時(shí)，可任務(wù)識(shí)別失敗。

可選地，上述步驟101之前，可包含如下步驟：

獲取正樣本集和負(fù)樣本集；

采用HOG特征對(duì)所述正樣本集和所述負(fù)樣本集進(jìn)行表征，得到多個(gè)特征向量；

利用所述多個(gè)特征向量構(gòu)造弱分類器；

利用級(jí)聯(lián)的Adaboost算法對(duì)所述弱分類器進(jìn)行訓(xùn)練，得到所述目標(biāo)分類器。

其中，上述正樣本集可為符合駕駛員行為的圖像，例如，駕駛員打電話、駕駛員沒(méi)系安全帶、有遮陽(yáng)板擋住駕駛員和駕駛員處于疲勞駕駛狀態(tài)，正樣本集中包含多個(gè)正樣本。負(fù)樣本集則為用戶想識(shí)別的駕駛員行為之外的圖像，負(fù)樣本集中包含多個(gè)負(fù)樣本。上述正樣本集和負(fù)樣本集的包含的樣本數(shù)量當(dāng)然越多，訓(xùn)練出來(lái)的模型越準(zhǔn)確，但是，正樣本和負(fù)樣本的數(shù)量越多，也會(huì)增加訓(xùn)練時(shí)候的計(jì)算成本。

具體地，人工選出大量駕駛員區(qū)域的圖片以及非駕駛員區(qū)域的圖片作為訓(xùn)練集的正負(fù)樣本，并將正樣本進(jìn)行規(guī)格化到統(tǒng)一大小，使用HOG特征對(duì)正負(fù)樣本進(jìn)行表征，形成特征向量，利用HOG特征形成的特征向量構(gòu)建弱分類器，利用級(jí)聯(lián)的Adaboost算法對(duì)弱分類器進(jìn)行訓(xùn)練，得到級(jí)聯(lián)的駕駛員區(qū)域強(qiáng)分類器。

可以看出，通過(guò)本發(fā)明實(shí)施例，獲取待處理圖像，利用目標(biāo)分類器對(duì)待處理圖像進(jìn)行訓(xùn)練，得到待處理圖像中的駕駛員區(qū)域，采用指定神經(jīng)網(wǎng)絡(luò)模型對(duì)駕駛員區(qū)域進(jìn)行識(shí)別，得到目標(biāo)行為，如此，可提高駕駛員行為識(shí)別的正確率。

與上述一致地，請(qǐng)參閱圖2，為本發(fā)明實(shí)施例提供的一種駕駛員行為識(shí)別方法的第二實(shí)施例流程示意圖。本實(shí)施例中所描述的駕駛員行為識(shí)別方法，包括以下步驟：

201、獲取正樣本集和負(fù)樣本集。

其中，步驟201中的正樣本集可為符合駕駛員行為的圖像，例如，駕駛員打電話、駕駛員沒(méi)系安全帶、有遮陽(yáng)板擋住駕駛員和駕駛員處于疲勞駕駛狀態(tài)，正樣本集中包含多個(gè)正樣本。負(fù)樣本集則為用戶想識(shí)別的駕駛員行為之外的圖像，負(fù)樣本集中包含多個(gè)負(fù)樣本。上述正樣本集和負(fù)樣本集的包含的樣本數(shù)量當(dāng)然越多，訓(xùn)練出來(lái)的模型越準(zhǔn)確，但是，正樣本和負(fù)樣本的數(shù)量越多，也會(huì)增加訓(xùn)練時(shí)候的計(jì)算成本。

202、采用HOG特征對(duì)所述正樣本集和所述負(fù)樣本集進(jìn)行表征，得到多個(gè)特征向量。

203、利用所述多個(gè)特征向量構(gòu)造弱分類器。

204、利用級(jí)聯(lián)的Adaboost算法對(duì)所述弱分類器進(jìn)行訓(xùn)練，得到目標(biāo)分類器。

可選地，可采用HOG特征對(duì)正樣本集和所述負(fù)樣本集進(jìn)行表征，得到多個(gè)特征向量，利用多個(gè)特征向量構(gòu)造弱分類器，并利用級(jí)聯(lián)的Adaboost算法對(duì)弱分類器進(jìn)行訓(xùn)練，得到目標(biāo)分類器。

可選地，可人工選出大量駕駛員區(qū)域的圖片以及非駕駛員區(qū)域的圖片作為訓(xùn)練集的正負(fù)樣本，并將正樣本進(jìn)行規(guī)格化到統(tǒng)一大小，使用HOG特征對(duì)正負(fù)樣本進(jìn)行表征，形成特征向量，利用HOG特征形成的特征向量構(gòu)建弱分類器，利用級(jí)聯(lián)的Adaboost算法對(duì)弱分類器進(jìn)行訓(xùn)練，得到級(jí)聯(lián)的駕駛員區(qū)域強(qiáng)分類器。

205、獲取待處理圖像。

206、利用所述目標(biāo)分類器對(duì)所述待處理圖像進(jìn)行訓(xùn)練，得到所述待處理圖像中的駕駛員區(qū)域。

207、采用指定神經(jīng)網(wǎng)絡(luò)模型對(duì)所述駕駛員區(qū)域進(jìn)行識(shí)別，得到目標(biāo)行為。

上述步驟205-步驟207可參照?qǐng)D1所描述的駕駛員行為識(shí)別方法的對(duì)應(yīng)步驟。

可以看出，通過(guò)本發(fā)明實(shí)施例，獲取正樣本集和負(fù)樣本集，采用HOG特征對(duì)正樣本集和所述負(fù)樣本集進(jìn)行表征，得到多個(gè)特征向量，利用多個(gè)特征向量構(gòu)造弱分類器，利用級(jí)聯(lián)的Adaboost算法對(duì)弱分類器進(jìn)行訓(xùn)練，得到目標(biāo)分類器，獲取待處理圖像，利用目標(biāo)分類器對(duì)待處理圖像進(jìn)行訓(xùn)練，得到待處理圖像中的駕駛員區(qū)域，采用指定神經(jīng)網(wǎng)絡(luò)模型對(duì)駕駛員區(qū)域進(jìn)行識(shí)別，得到目標(biāo)行為，如此，可提高駕駛員行為識(shí)別的正確率。

與上述一致地，以下為實(shí)施上述駕駛員行為識(shí)別方法的裝置，具體如下：

請(qǐng)參閱圖3a，為本發(fā)明實(shí)施例提供的一種終端的第一實(shí)施例結(jié)構(gòu)示意圖。本實(shí)施例中所描述的終端，包括：第一獲取單元301、第一訓(xùn)練單元302和識(shí)別單元303，具體如下：

第一獲取單元301，用于獲取待處理圖像；

第一訓(xùn)練單元302，用于利用目標(biāo)分類器對(duì)所述待處理圖像進(jìn)行訓(xùn)練，得到所述待處理圖像中的駕駛員區(qū)域；

識(shí)別單元303，用于采用指定神經(jīng)網(wǎng)絡(luò)模型對(duì)所述駕駛員區(qū)域進(jìn)行識(shí)別，得到目標(biāo)行為。

可選地，所述指定神經(jīng)網(wǎng)絡(luò)模型包含N個(gè)行為屬性的層級(jí)結(jié)構(gòu)，每一個(gè)屬性均包含三個(gè)卷積層，每一個(gè)卷積層都包括卷積操作、歸一化操作、線性修正激活函數(shù)和池化操作，所述N為正整數(shù)。

可選地，如圖3b，圖3b為圖3a所描述的終端的識(shí)別單元303的具體細(xì)化結(jié)構(gòu)，所述識(shí)別單元303可包括：第一識(shí)別模塊3031、比較模塊3032和第一確定模塊3033，具體如下；

第一識(shí)別模塊3031，用于采用所述指定神經(jīng)網(wǎng)絡(luò)模型對(duì)所述駕駛員區(qū)域進(jìn)行識(shí)別，得到所述N個(gè)得分；

比較模塊3032，用于分別將所述N個(gè)得分中每一得分與第一預(yù)設(shè)閾值進(jìn)行比較，得到M個(gè)得分，所述M個(gè)得分均大于所述第一預(yù)設(shè)閾值，所述M為小于或等于所述N的整數(shù)；

第一確定模塊3033，用于將所述M個(gè)得分中的最高得分對(duì)應(yīng)的行為屬性確定為所述目標(biāo)行為。

可選地，如圖3c，圖3c為圖3a所描述的終端的識(shí)別單元303的具體細(xì)化結(jié)構(gòu)，所述識(shí)別單元303可包括：第二識(shí)別模塊3034和第二確定模塊3035，具體如下：

第二識(shí)別模塊3034，用于采用所述指定神經(jīng)網(wǎng)絡(luò)模型對(duì)所述駕駛員區(qū)域進(jìn)行識(shí)別，得到所述N個(gè)得分；

第二確定模塊3035，用于確定出所述N個(gè)得分中的最高得分；

所述第二確定單元305，還具體用于：

在所述最高得分大于第二預(yù)設(shè)閾值時(shí)，將所述最高得分對(duì)應(yīng)的行為屬性確定為所述目標(biāo)行為。

可選地，如圖3d，圖3d為圖3a所描述的終端又一變型結(jié)構(gòu)，其還包括：第二獲取單元304、表征單元305、構(gòu)造單元306和第二訓(xùn)練單元307，具體如下：

第二獲取單元304，用于在所述第一獲取單元獲取待處理圖像之前，獲取正樣本集和負(fù)樣本集；

表征單元305，用于采用HOG特征對(duì)所述正樣本集和所述負(fù)樣本集進(jìn)行表征，得到多個(gè)特征向量；

構(gòu)造單元306，用于利用所述多個(gè)特征向量構(gòu)造弱分類器；

第二訓(xùn)練單元307，用于利用級(jí)聯(lián)的Adaboost算法對(duì)所述弱分類器進(jìn)行訓(xùn)練，得到所述目標(biāo)分類器。

可以看出，通過(guò)本發(fā)明實(shí)施例所描述的終端，可獲取待處理圖像，利用目標(biāo)分類器對(duì)待處理圖像進(jìn)行訓(xùn)練，得到待處理圖像中的駕駛員區(qū)域，采用指定神經(jīng)網(wǎng)絡(luò)模型對(duì)駕駛員區(qū)域進(jìn)行識(shí)別，得到目標(biāo)行為，如此，可提高駕駛員行為識(shí)別的正確率。

與上述一致地，請(qǐng)參閱圖4，為本發(fā)明實(shí)施例提供的一種終端的第二實(shí)施例結(jié)構(gòu)示意圖。本實(shí)施例中所描述的終端，包括：至少一個(gè)輸入設(shè)備1000；至少一個(gè)輸出設(shè)備2000；至少一個(gè)處理器3000，例如CPU；和存儲(chǔ)器4000，上述輸入設(shè)備1000、輸出設(shè)備2000、處理器3000和存儲(chǔ)器4000通過(guò)總線5000連接。

其中，上述輸入設(shè)備1000具體可為觸控面板、物理按鍵或者鼠標(biāo)。

上述輸出設(shè)備2000具體可為顯示屏。

上述存儲(chǔ)器4000可以是高速RAM存儲(chǔ)器，也可為非易失存儲(chǔ)器(non-volatile memory)，例如磁盤(pán)存儲(chǔ)器。上述存儲(chǔ)器4000用于存儲(chǔ)一組程序代碼，上述輸入設(shè)備1000、輸出設(shè)備2000和處理器3000用于調(diào)用存儲(chǔ)器4000中存儲(chǔ)的程序代碼，執(zhí)行如下操作：

上述處理器3000，用于：

獲取待處理圖像；

利用目標(biāo)分類器對(duì)所述待處理圖像進(jìn)行訓(xùn)練，得到所述待處理圖像中的駕駛員區(qū)域；

采用指定神經(jīng)網(wǎng)絡(luò)模型對(duì)所述駕駛員區(qū)域進(jìn)行識(shí)別，得到目標(biāo)行為。

可選地，所述指定神經(jīng)網(wǎng)絡(luò)模型包含N個(gè)行為屬性的層級(jí)結(jié)構(gòu)，每一個(gè)屬性均包含三個(gè)卷積層，每一個(gè)卷積層都包括卷積操作、歸一化操作、線性修正激活函數(shù)和池化操作，所述N為正整數(shù)。

可選地，上述處理器3000采用指定神經(jīng)網(wǎng)絡(luò)模型對(duì)所述駕駛員區(qū)域進(jìn)行識(shí)別，得到目標(biāo)行為，包括：

采用所述指定神經(jīng)網(wǎng)絡(luò)模型對(duì)所述駕駛員區(qū)域進(jìn)行識(shí)別，得到所述N個(gè)得分；

分別將所述N個(gè)得分中每一得分與第一預(yù)設(shè)閾值進(jìn)行比較，得到M個(gè)得分，所述M個(gè)得分均大于所述第一預(yù)設(shè)閾值，所述M為小于或等于所述N的整數(shù)；

將所述M個(gè)得分中的最高得分對(duì)應(yīng)的行為屬性確定為所述目標(biāo)行為。

可選地，上述處理器3000采用指定神經(jīng)網(wǎng)絡(luò)模型對(duì)所述駕駛員區(qū)域進(jìn)行識(shí)別，得到目標(biāo)行為，包括：

采用所述指定神經(jīng)網(wǎng)絡(luò)模型對(duì)所述駕駛員區(qū)域進(jìn)行識(shí)別，得到所述N個(gè)得分；

確定出所述N個(gè)得分中的最高得分；

在所述最高得分大于第二預(yù)設(shè)閾值時(shí)，將所述最高得分對(duì)應(yīng)的行為屬性確定為所述目標(biāo)行為。

可選地，上述處理器3000獲取待處理圖像之前，還具體用于：

獲取正樣本集和負(fù)樣本集；

采用HOG特征對(duì)所述正樣本集和所述負(fù)樣本集進(jìn)行表征，得到多個(gè)特征向量；

利用所述多個(gè)特征向量構(gòu)造弱分類器；

利用級(jí)聯(lián)的Adaboost算法對(duì)所述弱分類器進(jìn)行訓(xùn)練，得到所述目標(biāo)分類器。

本發(fā)明實(shí)施例還提供一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，其中，該計(jì)算機(jī)存儲(chǔ)介質(zhì)可存儲(chǔ)有程序，該程序執(zhí)行時(shí)包括上述方法實(shí)施例中記載的任何一種駕駛員行為識(shí)別方法的部分或全部步驟。

盡管在此結(jié)合各實(shí)施例對(duì)本發(fā)明進(jìn)行了描述，然而，在實(shí)施所要求保護(hù)的本發(fā)明過(guò)程中，本領(lǐng)域技術(shù)人員通過(guò)查看所述附圖、公開(kāi)內(nèi)容、以及所附權(quán)利要求書(shū)，可理解并實(shí)現(xiàn)所述公開(kāi)實(shí)施例的其他變化。在權(quán)利要求中，“包括”(comprising)一詞不排除其他組成部分或步驟，“一”或“一個(gè)”不排除多個(gè)的情況。單個(gè)處理器或其他單元可以實(shí)現(xiàn)權(quán)利要求中列舉的若干項(xiàng)功能。相互不同的從屬權(quán)利要求中記載了某些措施，但這并不表示這些措施不能組合起來(lái)產(chǎn)生良好的效果。

本領(lǐng)域技術(shù)人員應(yīng)明白，本發(fā)明的實(shí)施例可提供為方法、裝置(設(shè)備)、或計(jì)算機(jī)程序產(chǎn)品。因此，本發(fā)明可采用完全硬件實(shí)施例、完全軟件實(shí)施例、或結(jié)合軟件和硬件方面的實(shí)施例的形式。而且，本發(fā)明可采用在一個(gè)或多個(gè)其中包含有計(jì)算機(jī)可用程序代碼的計(jì)算機(jī)可用存儲(chǔ)介質(zhì)(包括但不限于磁盤(pán)存儲(chǔ)器、CD-ROM、光學(xué)存儲(chǔ)器等)上實(shí)施的計(jì)算機(jī)程序產(chǎn)品的形式。計(jì)算機(jī)程序存儲(chǔ)/分布在合適的介質(zhì)中，與其它硬件一起提供或作為硬件的一部分，也可以采用其他分布形式，如通過(guò)Internet或其它有線或無(wú)線電信系統(tǒng)。

本發(fā)明是參照本發(fā)明實(shí)施例的方法、裝置(設(shè)備)和計(jì)算機(jī)程序產(chǎn)品的流程圖和/或方框圖來(lái)描述的。應(yīng)理解可由計(jì)算機(jī)程序指令實(shí)現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合?？商峁┻@些計(jì)算機(jī)程序指令到通用計(jì)算機(jī)、專用計(jì)算機(jī)、嵌入式處理機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個(gè)機(jī)器，使得通過(guò)計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的裝置。

這些計(jì)算機(jī)程序指令也可存儲(chǔ)在能引導(dǎo)計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計(jì)算機(jī)可讀存儲(chǔ)器中，使得存儲(chǔ)在該計(jì)算機(jī)可讀存儲(chǔ)器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能。

這些計(jì)算機(jī)程序指令也可裝載到計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計(jì)算機(jī)實(shí)現(xiàn)的處理，從而在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行的指令提供用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的步驟。

盡管結(jié)合具體特征及其實(shí)施例對(duì)本發(fā)明進(jìn)行了描述，顯而易見(jiàn)的，在不脫離本發(fā)明的精神和范圍的情況下，可對(duì)其進(jìn)行各種修改和組合。相應(yīng)地，本說(shuō)明書(shū)和附圖僅僅是所附權(quán)利要求所界定的本發(fā)明的示例性說(shuō)明，且視為已覆蓋本發(fā)明范圍內(nèi)的任意和所有修改、變化、組合或等同物。顯然，本領(lǐng)域的技術(shù)人員可以對(duì)本發(fā)明進(jìn)行各種改動(dòng)和變型而不脫離本發(fā)明的精神和范圍。這樣，倘若本發(fā)明的這些修改和變型屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本發(fā)明也意圖包含這些改動(dòng)和變型在內(nèi)。